基于双重注意力机制的时空图神经网络矿井管网瓦斯浓度预测
赵安新
张晨阳
黎梁
西安科技大学 通信与信息工程学院,陕西 西安 710054
摘要：针对煤矿井下瓦斯浓度预测精度受限的问题,提出一种基于双重注意力机制的时空图神经网络(DASTNN)模型,旨在提高煤矿井下抽采管网中瓦斯浓度的预测精度.该模型结合图卷积网络(GCN)和门控循环单元(GRU),通过时间和空间注意力机制,增强对管网拓扑结构与时间序列变化的特征提取能力.以gasnet-data1 和gasnet-data2 数据集为实验对象开展验证,结果表明,DASTNN模型的预测性能优于传统的HA、SVM、GCN、GRU等方法.在gasnet-data1 数据集中,DASTNN模型的平均绝对误差(eMA)为0.310,均方根误差(eRMS)为 1.069,决定系数(R2)为 0.975;在 gasnet-data2 数据集中,DASTNN模型的eMA为0.181,eRMS为0.745,R2 为0.990.实验结果表明,双重注意力机制能有效捕捉瓦斯浓度的时空依赖关系,显著提高了预测精度.
关键词：矿井安全瓦斯浓度预测图神经网络门控循环单元注意力机制
分类号：TD712(矿山安全与劳动保护)
资助基金：陕西省科技计划项目(2024GX-YBXM-526)西安市科技计划项目(24GXFW0045)
论文发表日期：2026-02-28
在线出版日期：2026-03-25（本平台首次上网日期，不代表文献的发表时间）
页数：7( 223-229 )
英文信息